发表机构
University Côte d’Azur; Cancer Research Center of Marseille; Institut Paoli-Calmettes; Mines Paris; PSL University; Université Paris-Saclay; CNRS; Institut Galien Paris-Saclay; University of Cambridge（蔚蓝海岸大学; 马赛癌症研究中心; 保利-卡尔梅特研究所; 巴黎矿业学院; 巴黎文理研究大学; 巴黎萨克雷大学; 法国国家科学研究中心; 巴黎萨克雷加利安研究所; 剑桥大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
APOD是一种语言模型智能体，通过推理生物学知识和拟合诊断，在开放搜索空间中自动发现群体常微分方程，用于构建药理学数字孪生，在合成基准上高准确率且快12倍，并成功应用于真实队列预测毒性。
AI 中文摘要
建立描述群体数据的常微分方程（ODE）是药理学数学建模的基本组成部分，对于开发数字孪生至关重要。然而，从稀疏、噪声数据中建立这些方程是一项缓慢且依赖专家经验的任务。现有的自动化方法要么搜索受限的模型空间，要么忽略群体间的个体差异。本文介绍了APOD（智能体群体ODE发现），一种语言模型智能体，它在开放式的搜索空间中，通过迭代推理生物学知识和拟合诊断，来发现群体数字孪生（PDT），即一个具有受试者间变异的共享ODE系统。在合成药代动力学和肿瘤动力学基准测试中，APOD在94-100%的运行中恢复了真实结构，中位速度比已建立的基于库的搜索快12倍。在真实队列中，它收敛到有效结构，并提出了一个放射配体治疗诱导的血小板动力学的PDT，该模型能从第一个周期数据预测血小板减少症，并模拟替代给药方案，这些方案可降低预测的毒性风险。
英文摘要
Establishing ordinary differential equations (ODEs) describing population data is a fundamental part of mathematical modeling in pharmacology, crucial to developing digital twins. However, doing so from sparse, noisy data is a slow, expert-driven task. Existing automated methods either search a restricted model space or ignore population inter-individual variability. Here we introduce APOD (Agentic Population ODE Discovery), a language-model agent that iteratively reasons over biological knowledge and fit diagnostics in an open-ended search space to discover a population digital twin (PDT), i.e., a shared ODE system with between-subject variability. On synthetic pharmacokinetic and tumor-dynamics benchmarks, APOD recovered ground-truth structures in 94-100\% of runs, 12-fold faster in median than an established library-based search. On real cohorts it converged to valid structures, and proposed a PDT of radioligand-therapy-induced platelet dynamics that predicts thrombocytopenia from first-cycle data and simulates alternative dosing schedules that lower the predicted risk of toxicity.
